دانلود مقاله ترجمه شده ترکیب شواهد در استخراج داده های پزشکی – 2004 IEEE

ترکیب شواهد در استخراج داده های پزشکی

Evidence Combination in Medical Data Mining

چکیده

1.مقدمه

2. پیشینه تئوری شاهد

3. محاسبه باورها با نزدیک ترین همسایه ها

4. محاسبه باورها با درخت تصمیم

5. ارزیابی عدم اطمینان

6. ارزیابی عملی

6.1 نتایج

7. کارهای مرتبط

8. نتیجه گیری

چکیده

در این کار ما از تئوری دمپستر-شافر از ترکیب شواهد برای پردازش داده های پزشکی استفاده کرده‌ایم. ما طبقه‌بندی را در دو حوزه در نظر گرفته‌ایم: تومورهای سینه و زخم‌های پوستی. خروجی‌های دسته‌کننده به عنوان پایه‌ای برای محاسبه ی باور ها استفاده می‌شوند. سنجش عدم اطمینان پویا برپایه ی تفکیک کلاس است. ما عقاید سه دسته کننده را باهم ترکیب کردیم: k- نزدیک ترین همسایه (kNN)، Naïve Bayesian و درخت تصمیم . قانون دمپستر در مورد ترکیبات، سه باور را ترکیب می‌کند تا به یک تصمیم واحد دست یابد. تجارب ما با k-fold cross validation نشان می‌دهد که طبیعت مجموعه داده ها نسبت به سایرین اثر بزرگتری روی برخی دسته‌کننده ها داشته و دسته بندی بر پایه‌ی باور ی ترکیب شده نسبت به دسته کننده‌های تکی، دقت بهتری را نشان می‌دهد. ما عملکرد ترکیب دمپستر (با وظیفه ی عدم اطمینان) را با عملکرد مدل های ترکیبی مطبوع و خطی که عملکرد محور هستند مقایسه نمودیم. ما شرایطی را مورد مطالعه قرار دادیم که تحت آن ها رویکرد ترکیب شواهد دسته بندی ارتقا می یابند.

8. نتیجه گیری

ما روشی را برای طبقه بندی داده های پزشکی در حضور دسته کننده های چندگانه، عدم اطمینان و هزینه های غیرمساوی خطاها، توصیف نمودیم.ما محاسباتی از توابع باور و مقادیر عدم اطمینان برای دسته کننده ها و ترکیب شواهد با استفاده از تئوری دمپستر-شافر انجام دادیم. کیفیت تفکیک سازی برای محاسبه موارد عدم اطمینان استفاده شد. رویکرد ترکیب بهترین دقت طبقه بندی را در دو دامنه نشان داده است: طبقه بندی تومر سینه و زخم‌های پوستی. رویکرد ترکیب در حضور عملکردهای دسته کننده ی مختلف توانمند باقی مانده است. توانایی مدیریت قوی چنین شرایطی و طبقه بندی نمونه هایی به عنوان نامطمئن در حضور عدم اطمینان دسته کننده این رویکرد را برای موارد کاربردی مراقبت از سلامتی جذاب نموده است. مقایسه با سایر روش های ترکیبی مانند منطق فازی و شبکه های عصبی برای تحقیقات بعدی باقی مانده اند. بغیر از شبکه عصبی و در مقایسه با رویکرد ما؛ با تطابقاتی، تکنیک بالابردن را میتوان روی دسته کننده ها اعمال کرد.

Abstract

In this work we apply Dempster-Shafer’s theory of evidence combination for mining medical data. We consider the classification task in two domains: Breast tumors and skin lesions. Classifier outputs are used as a basis for computing beliefs. Dynamic uncertainty assessment is based on class differentiation. We combine the beliefs of three classifiers: k-Nearest Neighbor (kNN), Naïve Bayesian and Decision Tree. Dempster’s rule of combination combines three beliefs to arrive at one final decision. Our experiments with k-fold cross validation show that the nature of the data set has a bigger impact on some classifiers than others and the classification based on combined belief shows better overall accuracy than any individual classifier. We compare the performance of Dempster’s combination (with differentiation-based uncertainty assignment) with those of performance-based linear and majority vote combination models. We study the circumstances under which the evidence combination approach improves classification.

8. Conclusion

We have described a method for classifying medical data in the presence of multiple classifiers, uncertainty, and unequal costs of errors. We have demonstrated computation of belief functions and uncertainty values from individual classifiers and combination of evidences through the Dempster-Shafer theory. Class differentiation quality is used for the computation of uncertainties. The combination approach has shown the best classification accuracy across two domains: Breast tumor classification and skin lesion classification. The combination approach remained robust in the presence of fairly different classifier performances. The ability to handle such situations robustly and the ability to classify samples as uncertain in the presence of classifier uncertainty makes this approach attractive for healthcare applications. Comparison with other combination methods such as fuzzy logic and neural networks remain as future work. With adaptations, the boosting technique can be applied to classifiers other than the neural network and compared with our approach.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

ترکیب شواهد در استخراج داده های پزشکی

Evidence Combination in Medical Data Mining